学位论文简介

随着社交网络的快速发展，用户数据的收集与分析带来了隐私泄露风险。本地化差分隐私（LDP）作为一种无须信任第三方的隐私保护技术，已成为研究热点。然而，其在社交网络中的应用仍面临实时数据频率估计、用户间关联数据保护及子图计数高方差等挑战。本文围绕以下三个方面展开研究，并提出相应优化方案：

(1) 针对实时数据频率估计的准确性问题，本文提出基于历史感知的地理空间数据聚合框架。利用马尔可夫转移矩阵估计算法（MTME）学习历史数据的时空转移关系，并通过真相发现聚合算法优化当前数据分布，提高估计精度。实验表明，该方法在准确性和计算效率上均优于现有方案。

(2) 针对社交网络用户间关联数据的隐私保护，本文提出基于组合的频率估计框架。通过引入超关联数据降低数据域过大对估计精度的影响，并根据超关联数据内部取值的相对比例优化频率分布，最终实现高精度的关联数据频数估计。实验验证该方法在保证隐私的同时，显著提升了频数估计的准确性。

(3) 针对LDP在社交网络子图计数任务中的高方差问题，本文提出基于约束限合成二分网络的蝴蝶子图计数方法。通过随机边协议（REP）和随机组协议（RGP）降低数据扰动影响，并优化边分配策略，构造更符合真实分布的二分网络，提高子图计数精度。实验表明，该方法有效降低了估计方差，提升了计数准确性。

主要学术成果

[1] Mengyuan Wang, Hongbo Jiang, Peng Peng, Youhuan Li, Wenbing Huang. Toward accurate butterfly counting with edge privacy preserving in bipartite networks[C]. IEEE Conference on Computer Communications (INFOCOM), 2024: 2289-2298. (CCF A类会议，第一作者)

[2] Mengyuan Wang, Hongbo Jiang, Peng Peng, and Youhuan Li. Accurately Estimating Frequencies of Relations with Relation Privacy Preserving in Decentralized Networks[J], IEEE Transactions on Mobile Computing, 2024, 23(05), 6408-6422. (CCF A类期刊，第一作者)

[3] Mengyuan Wang, Hongbo Jiang, Ping Zhao, Jie Li, Jiangchuan Liu, Geyong Min, and Schahram Dustdar. RoPriv: Road Network-aware Privacy-preserving Framework in Spatial Crowdsourcing[J], IEEE Transactions on Mobile Computing, 2024, 23(03), 2351-2366. (CCF A类期刊，第一作者)

[4] Mengyuan Wang, Hongbo Jiang, Liang Hu, Jie Li, Peng Sun, and Jiangchuan Liu. Learning From The History: Accurately and Efficiently Aggregating Geospatial Data under Local Differential Privacy[C], IEEE International Conference on Distributed Computing Systems (ICDCS), 2024, pp. 277-287. (CCF B类会议，第一作者)

[5] Hongbo Jiang, Mengyuan Wang, Ping Zhao, Zhu Xiao, and Schahram Dustdar. A Utility-aware General Framework with Quantifiable Privacy Preservation for Destination Prediction in LBSs[J], IEEE/ACM Transactions on Networking, 2021, 29(5), 2228-2241. (CCF A类期刊，导师第一作者本人第二作者)